[發明專利]基于LBP和小波矩融合特征的肺癌圖像精細分類方法

有效

• 申請號: 201610038042.3
• 申請日: 2016-01-21
• 公開（公告）號: CN105718947B
• 公開（公告）日: 2018-12-21
• 發明（設計）人: 王生生;王琪
• 申請（專利權）人: 吉林大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 長春市四環專利事務所(普通合伙) 22103
• 代理人: 郭耀輝

1.一種基于LBP和小波矩融合特征的肺癌圖像精細分類方法，其特征在于，至少包括以下步驟：

步驟一、使用基于灰度變化的病灶區域檢測方法對原始輸入圖像進行病灶定位；

步驟二、將定位到的病灶部分隨機生成大量尺度不一的模板，經過前一步的病灶定位，直接將模板塊的產生部位控制在病灶部位，減少冗余模板的產生，每一個樣本都隨機產生大量的圖像塊作為圖像的模板；

步驟三、將輸入圖像進行不同尺度的縮放，分別對縮放的圖像塊與模板塊進行特征提取，提取紋理特征MB-LBP與形狀特征小波矩，通過實驗調整權重分配的參數，將不同權重的紋理特征分別融合小波矩描述的形狀特征，兩種權重下的融合特征看成兩類紋理特征；

步驟四、通過對圖像的不同位置進行匹配，將匹配的結果表示成特征響應圖的形式；

步驟五、使用改進的均值空間金字塔模型將特征響應圖轉化為一個八維的特征向量：

(1)第一層金字塔中，選出響應最大的值，以及在其范圍為0.1響應圖內選擇第二，第三與第四大的值；

(2)構建第二層,第三層空間金字塔，第三層大小為4*4的空間金字塔分成4部分，每部分大小為2*2，用這四部分的均值來表示第二層大小為2*2的四個塊的值；

(3)得到的八維向量就是從特征響應圖中抽取的特征向量；

步驟六、特征向量作為輸入，利用支持向量機實現肺癌圖像精細分類。

2.根據權利要求1所述的一種基于LBP和小波矩融合特征的肺癌圖像精細分類方法，其特征在于：所述的步驟一、步驟二中，根據圖像鄰域內像素點灰度級或者顏色的變化，對圖像中的空間信息進行定量描述，從而實現病灶檢測定位，用于后續的匹配過程。

3.根據權利要求1所述的一種基于LBP和小波矩融合特征的肺癌圖像精細分類方法，其特征在于：所述的步驟三中采用了基于權重的紋理特征與形狀特征的融合，包含以下步驟：

(1)在紋理特征提取時，采用改進MB-LBP算法，計算分塊區域的平均值,改進MB-LBP 不僅得到包含圖像模式微觀結構的編碼, 也包含了宏觀結構；

(2) 使用極坐標系下提取的小波矩特征表示形狀特征：采用歸一化的方法對圖像進行歸一化處理，使各圖像中心位于坐標原點，圖像尺度保持一致，具有平移、旋轉和比例不變性；

（3）設置紋理特征與形狀特征所占的權重實現特征融合：紋理特征信息量大，權重參數較大；形狀特征差異信息少，權重參數就小；并根據實驗結果調整權重大小。

4.根據權利要求1所述的一種基于LBP和小波矩融合特征的肺癌圖像精細分類方法，其特征在于：所述的步驟五中用空間金字塔方法將特征響應圖轉化為一個特征向量，在不同分辨率上統計圖像特征點的分布，從而獲取表達圖像的空間信息的直方圖，最后將所有的直方圖特征連接起來作為圖像的特征。